Silhouette (clustering)

En partitionnement de données (clustering), le coefficient de silhouette est une mesure de qualité d'une partition d'un ensemble de données en classification automatique[1]. Pour chaque point, son coefficient de silhouette est la différence entre la distance moyenne avec les points du même groupe que lui (cohésion) et la distance moyenne avec le points des autres groupes voisins (séparation). Si cette différence est négative, le point est en moyenne plus proche du groupe voisin que du sien : il est donc mal classé. A l'inverse, si cette différence est positive, le point est en moyenne plus proche de son groupe que du groupe voisin : il est donc bien classé.

Pour les articles homonymes, voir Silhouette.

Le coefficient de silhouette proprement dit est la moyenne du coefficient de silhouette pour tous les points.

Expression

Position du problème

Si l'on note la matrice des données, dont chaque ligne correspond à un individu (ou observation) et chaque colonne correspond à un prédicteur (ou variable). On note le nombre d'individus et le nombre de prédicteurs :

Notons la dissimilarité entre les individus et (respectivement, ligne et de ). Notons le nombre de groupes que l'on souhaite former.

Un algorithme de partitionnement donnera une fonction d'attribution dont on cherche à évaluer la pertinence par un score. L'ensemble des points appartenant à un groupe est alors donné par .

Expression du coefficient de silhouette

Le coefficient (ou score) de silhouette se définit d'abord sur un point dont le groupe est . Il se base sur la distance moyenne du point à son groupe : et la distance moyenne du point à son groupe voisin . Le coefficient de silhouette du point s'écrit alors :

On peut le moyenner groupe par groupe pour comparer leurs homogénéités : ceux avec les coefficient de silhouette les plus forts sont les plus homogènes. Sur l'ensemble de la classification, il aura pour expression[2] :

Propriétés

Domaine de variation

Le coefficient de silhouette varie entre -1 (pire classification) et 1 (meilleure classification).

Complexité


Notes et références

  1. Peter J. Rousseeuw, « Silhouettes: A graphical aid to the interpretation and validation of cluster analysis », Journal of Computational and Applied Mathematics, vol. 20, , p. 53–65 (ISSN 0377-0427, DOI 10.1016/0377-0427(87)90125-7, lire en ligne, consulté le 19 juin 2019)
  2. (en) « Clustering Indices », sur cran.r-project.org (consulté le 19 juin 2019)

Voir aussi

  • Portail de l’informatique
Cet article est issu de Wikipedia. Le texte est sous licence Creative Commons - Attribution - Sharealike. Des conditions supplémentaires peuvent s'appliquer aux fichiers multimédias.